CN117252292A - 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 - Google Patents
基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 Download PDFInfo
- Publication number
- CN117252292A CN117252292A CN202311006291.0A CN202311006291A CN117252292A CN 117252292 A CN117252292 A CN 117252292A CN 202311006291 A CN202311006291 A CN 202311006291A CN 117252292 A CN117252292 A CN 117252292A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- crop
- aqua
- crops
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000003621 irrigation water Substances 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 230000002262 irrigation Effects 0.000 claims abstract description 98
- 238000003973 irrigation Methods 0.000 claims abstract description 98
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 42
- 239000002689 soil Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 16
- 230000005068 transpiration Effects 0.000 claims description 10
- 238000001704 evaporation Methods 0.000 claims description 9
- 230000008020 evaporation Effects 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 10
- 239000010410 layer Substances 0.000 description 48
- 238000013527 convolutional neural network Methods 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 9
- 240000008042 Zea mays Species 0.000 description 7
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 7
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 7
- 235000005822 corn Nutrition 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000004718 Panda Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，涉及农业灌溉预测领域，通过结合Aqua Crop模型和优化的LSTM算法，利用作物生长过程中的影响因素，对作物灌溉需水量进行预测，首先运用彭曼公式计算出作物每日的需水量，再运用Aqua Crop模型进行不同灌溉制度模拟，确定最佳的灌溉策略，最后综合运用了双向长短期记忆神经网络、卷积神经网络和注意力机制，旨在充分利用时空特征和序列依赖性，利用作物生长过程中的影响因素，预测下一年的作物日灌溉需水量，提高了预测精度，为当地农业规划用水提供有效的参考依据，为农作物灌溉量的预测提供更优的解决方案。
Description
技术领域
本发明涉及农业灌溉预测领域，具体涉及一种基于AquaCrop模型与优化LSTM算法的作物灌溉需水量预测方法。
背景技术
传统定时灌溉方法无法充分考虑作物的实际水需求和土壤水分状况，容易导致过度或不足灌溉，并且缺乏针对实际需求的精准预测。一部分灌溉策略依据固定的时间、基于土壤水分含量或气象数据等单一指标进行灌溉，忽视了作物实际水需求、生长状况和土壤水分状况的变化，这种策略容易导致灌溉水量和频率的不合理分配，影响作物的生长和产量，并浪费水资源。
近年来的研究表明，在作物灌溉预测中，深度学习人工神经网络模型具有广泛应用的前景。通过构建针对不同作物的灌水量预测模型，可以准确预测作物的灌溉需求并大幅降低灌溉用水量。研究者们采用了各种深度学习方法，如LSTM、小波分解和Elman循环网络等，与传统的ARIMA模型和支持向量回归模型进行对比，结果显示深度学习模型具有更高的准确性和预测效果。此外，引入Attention注意力机制和遗传算法优化的模型进一步提高了预测精度。这些研究为农业灌溉量的预测提供了有效的工具，有助于节约水资源并提高农作物的生产效益。
在灌溉量预测领域，学者们普遍采用机器学习方法来提高预测的准确性。然而，在处理灌溉量预测问题时,传统的神经网络模型存在如下问题：
1、由于作物生长的时间序列数据中存在长期依赖关系，传统神经网络模型难以充分捕捉这种依赖性，导致预测结果不够准确；
2、传统神经网络模型的局部感知能力有限，难以充分利用序列数据中的局部特征信息，容易受到局部噪声影响；
3、传统神经网络模型缺乏自适应调整序列中不同部分重要性的机制，即缺乏注意力机制，限制了模型对关键信息的关注能力。
发明内容
本发明针对现有技术中存在的技术问题，创造性构思了一种基于Aqua Crop模型与优化的LSTM算法的作物灌溉需水量预测方法，运用彭曼公式计算出作物每日的需水量，再运用Aqua Crop模型进行不同灌溉制度模拟，确定最佳的灌溉策略，最后综合运用双向长短期记忆神经网络BiLSTM、卷积神经网络CNN和注意力机制，旨在充分利用时空特征和序列依赖性，利用作物生长过程中的影响因素，对作物灌溉需水量进行预测，提高预测的准确性和可靠性。
实现本发明采用的技术方案是：基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，根据作物需求，采用Aqua Crop模型确定科学合理的灌溉策略，并于BiLSTM-CNN-Attention算法进行作物灌溉需水量预测，其特征是，它包括以下步骤：
1)获取作物种植区域的气象站数据、作物种植区域的土壤数据、作物参数数据和田间管理数据；
2)在所述的作物种植区域内，通过试错法进行Aqua Crop模型本地化调试；
3)利用步骤2)中本地化调试后的Aqua Crop模型选择灌溉策略，并进行灌溉制度模拟；
4)输出步骤3)中所述的Aqua Crop模型进行灌溉制度模拟结果；
5)结合步骤4)中所述的Aqua Crop模型灌溉制度模拟结果，运用优化LSTM，预测下一年所述作物种植区域内生育期的作物日灌溉需水量。
进一步，在步骤1)中，所述的气象站数据包含日尺度降水数据、温度数据、相对湿度、风速和日照时数，并利用所述的气象站数据，根据Penman-Monteith公式计算参考作物蒸发蒸腾量ET0。
进一步，在步骤1)中，所述的作物参数数据包括：生育期参数数据和作物单产数据。
进一步，在步骤3)中，所述的Aqua Crop模型选择灌溉策略为：
IrrMethod＝0：雨养灌溉；
IrrMethod＝1：当土壤含水量(SWC)达到一个阈值时，作物灌溉80mm水；
IrrMethod＝2：当土壤含水量(SWC)达到一个阈值时，作物灌溉60mm水；
IrrMethod＝3：当土壤含水量(SWC)达到一个阈值时，作物灌溉45mm水；
IrrMethod＝4:按照需水量灌溉作物，即按照计算出的灌溉时间和灌溉量进行灌溉；
根据产量、多年平均灌水量选取最优的灌溉策略制定方式，进行作物的多年连续生长模拟，获得其每日灌溉水量数据。
进一步，当土壤含水量SWC达到一个阈值时，所述的阈值是根系有效含水量的20％。
进一步，在步骤5)中，预测下一年所述作物种植区域内生育期的作物日灌溉需水量包括以下步骤：
①将气象因子与Aqua Crop模型输出的每日灌溉水量数据，按照时间序列进行合并，作为优化LSTM算法的输入变量；
②将所述优化LSTM算法的输入变量的特征值进行标准差标准化；
③将优化LSTM算法的输入变量划分为训练集和测试集，通过灰色关联度分析确定作物灌溉需水量，预测所需的气象因子与Irrday最佳组合；
④将步骤③中所述的气象因子与Irrday最佳组合作为输入，对优化LSTM算法进行训练，从而进行作物日灌溉需水量预测。
进一步，所述的气象因子为：最高温度Tmax、最低温度Tmin、降水P、参考蒸发蒸腾量ET0和日照时数SD。
本发明基于Aqua Crop模型与优化的LSTM算法的作物灌溉需水量预测方法的有益效果体现在：
1、基于Aqua Crop模型与优化的LSTM算法的作物灌溉需水量预测方法，利用现有的气象站数据与作物种植管理数据，将作物模型与机器学习方法结合，能够根据不同区域的水资源供需状况及作物生长需水特征，选择适宜灌溉策略，通过BiLST-CNN-Attention模型算法，预测下一年的作物日灌溉需水量，提高了预测精度，可以为当地农业规划用水提供有效的参考依据；
2、基于Aqua Crop模型与优化的LSTM算法的作物灌溉需水量预测方法，根据AquaCrop模型模拟结果，将气象因子，具体为最高温度Tmax，℃、最低温度Tmin，℃、降水P，mm、参考蒸发蒸腾量ET0，mm/day，日照时数SD，h/day与AquaCrop模型输出的每日灌溉水量数据按照时间序列进行合并，作为BiLSTM-CNN-Attention模型的输入变量，采用BiLSTM模型对时序特征进行建模，从历史数据中学习作物生长的时序依赖关系，然后利用CNN模型对输入数据进行空间特征提取，捕捉气温、降雨量和风速等多元特征之间的空间关联性，进一步引入注意力机制，对特征进行加权处理，提高对关键特征的关注度，进一步提升预测性能；
3、基于Aqua Crop模型与优化的LSTM算法的作物灌溉需水量预测方法，将BiLSTM-CNN-Attention模型的输入变量进行特征值标准差标准化Z-zero，之后再将其划分为训练集和测试集，通过灰色关联度分析确定作物灌溉需水量预测所需的最高温度Tmax，℃、最低温度Tmin，℃、降水P，mm、参考蒸发蒸腾量ET0，mm/day，日照时数SD，h/day与降雨量Irrday，mm的最佳组合。
附图说明
图1是基于Aqua Crop模型与优化的LSTM算法的作物灌溉需水量预测方法的工艺流程图；
图2是BiLSTM-CNN-Attention模型结构图；
图3是BiLSTM-CNN-Attention训练流程图；
图4是BiLSTM-CNN-Attention预测流程图；
图5为关联度分析图；
图6为RNN、CNN、LSTM、BiLSTM、BiLSTM-CNN、BiLSTM-CNN-Attention、预测值与实际值的比较图。
具体实施方式
以下结合附图1～6和具体实施方式，对本发明作进一步详细说明，为使实施方式的目的、技术方案和优点更加清楚，将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，此处所描述的具体实方式仅用以解释本发明，并不用于限定本发明的范围。
如附图1所示，基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，根据作物需求，采用Aqua Crop模型确定科学合理的灌溉策略，并于BiLSTM-CNN-Attention算法进行作物灌溉需水量预测，它包括以下步骤：
1)获取作物种植区域的气象站数据、作物种植区域的土壤数据、作物参数数据和田间管理数据；
2)在所述的作物种植区域内，通过试错法进行Aqua Crop模型本地化调试；
3)利用步骤2)中本地化调试后的Aqua Crop模型选择灌溉策略，并进行灌溉制度模拟；
4)输出步骤3)中所述的Aqua Crop模型进行灌溉制度模拟结果；
5)结合步骤4)中所述的Aqua Crop模型灌溉制度模拟结果，运用优化LSTM，预测下一年所述作物种植区域内生育期的作物日灌溉需水量。
实施例：
根据陈超飞、Mathias Kuschel-和Aemro Wale灌溉策略的制定方式，制定了雨灌、80mmm灌溉、60mm灌溉、45mm灌溉和最佳灌溉灌溉策略，具体灌溉策略见表1，玉米在所有试验季节均采用五种灌溉处理：雨灌、80mm灌溉、60mm灌溉、45mm灌溉和最佳灌溉，灌溉方式为沟灌，土壤表层湿润率80％。4个处理的灌溉时间相同，但灌溉量不同，春玉米全生育期灌溉需水量变化范围分别为34.25-504.06mm，中国XX省降水时空分布不均，水资源短缺，在种植期干旱是导致农作物低产的主要原因，因此结合当地农作物灌溉管理，设置4个模拟梯度为0mm、45mm、60mm和80mm，分别在苗期、生长期、开花-结实期和成熟期进行灌溉，将模拟结果与最佳灌溉方式做对比探究中国XX省地区最优灌溉制度的可行性，玉米和大豆每20天测定土壤含水量。
表1
中国XX省西部地区春玉米在各个生长周期的土壤含水量的最低阈值通常是根系有效含水量的20％。这个阈值可以作为农民和农业专业人员进行精准灌溉和管理的参考。然而，确切的阈值可能会受到具体气候、土壤类型和作物品种等因素的影响，建议在实际种植过程中综合考虑这些因素并咨询当地农业专家的建议来确定最佳的土壤含水量控制策略。
通过Aqua Crop模型的模拟结果，本发明最后选择根据作物各生长周期需水量进行灌溉的最佳灌溉策略；作物需水量和灌溉量的计算，采用联合国粮农组织(FAO)推荐的Penman-Monteith方法计算ET0，其具体公式见公式(1)所示：
式中：ET0为参考作物蒸发蒸腾量，单位：mm/d；Rn为冠层表面净辐射，单位：MJ/(m2·d)；G为土壤热通量,G＝0.32MJ/(m2·d)；γ为温度计常数，单位：KPa/℃；T为平均气温，单位：℃；U2为地面高度2.0m处风速，单位：m/s；es为空气饱和水汽压，单位：KPa；ea为空气实际水汽压，单位：KPa；Δ为饱和水汽压温度关系曲线的斜率，单位：KPa/℃。；
依据联合国粮农组织FAO，使用版本8.0的CROPW确定灌溉的固定时间表和作物需水量，参考灌溉处理中使用的作物系数Kc为100％，根据春玉米作物的营养生长阶段，该系数在苗期时为0.42，生长期为0.753，开花-结实期为1.288，成熟期为0.769；大豆作物的生长系数在苗期时为0.40，生长期为0.64，开花-结实期为1.14，成熟期为0.68，每个生长阶段的Kc由相关文献获得，作物蒸散量ETc由公式(2)确定。
ETc＝ET0*Kc (2)
式中：ET0是以mm为单位的参考蒸散量。
ET0基于蒸散量，因此可以通过减去实验季节的有效降雨量P来量化净灌溉需水量NIR，可用公式(3)描述：
NIR＝ETC-P (3)
农作物需水量与气候因素、土壤因素和作物自身生理特性有关，而其中温度、湿度、风速、日照时数是最主要的影响因素。
本发明在对样本数据进行分析时选用灰色关联度分析法，计算影响作物需水量的参数与预测目标ETC的关联度大小，灰色关联算法GRA的第一步要确定用于分析作物影响因子的母序列和子序。在样本列中，母序列为作物需水量，而影响母序列的因子为若干子序列，包含日最高气温Tmax、日最低气温Tmin、平均气温Tmean、平均风速、日照时数和相对湿度，将这些相关因子导入到pythonseaborn库中进行训练，计算各个特征值之间的关联度大小，选择合适的因子作为BiLST-CNN-Attention模型预测的输入因子。
采用灰色关联度分析法对影响因子进行分析：
第一步，确定母序列为作物需水量Y，Y＝{Y(K)\K＝1,2,...,n},Tmean、Tmax、Tmin、相对湿度、日照时数、平均风速为子序列Xi＝{Xi(k)k＝1,2,...,n},i＝1,2,...,m,m为样本数，k为k列样本，n为子序列数。
第二步，对相关因子进行无量纲化处理：
在系统中，影响因子可能会因量纲不同，难以比较以及比较时难以得出正确的结论，因此，要对最低、最高气温、风速、日照时数、作物需水量等数据进行无量纲化处理，便于进行加权和比较。
式中：1≤i≤n，k为k列样本。
第三步，确定两极的最值：
第四步，每个子序列与每个母序列相应元素的关联度系数计算：
式中：p取0.5，0<p<1为分辨系数。
第五步：关联度计算
如附图2所示，首先，对采集到的灌溉数据进行预处理，并将其划分为训练集和测试集；其次，构建BiLSTM-CNN-Attention模型，在该模型中，数据首先通过BiLSTM层，再经过CNN层处理，这样设计的原因是，如果先使用CNN层，会导致数据中的序列信息丢失，而通过先使用BiLSTM层，能够更好地利用BiLSTM的序列编码能力，这种模型设计能够提高农作物灌溉量预测的准确性。
采用BiLSTM来提取灌溉数据中的时间序列信息，并结合三层一维卷积构建CNN框架，用于自动提取灌溉量数据的内部特征；卷积层用于有效地提取灌溉量数据的非线性局部特征。在前两层卷积层之后，还引入了批量归一化BatchNormalization技术，通过对批量样本的净输入进行标准化，减少样本带来的输入偏移。此外，在第一和第三卷积层之后，还增加了残差连接，以解决梯度消失和权重矩阵退化的问题，通过这样的设计和组合，能够更好地提高灌溉量数据特征的提取效果，从而改善农作物灌溉量预测的准确性。
将CNN层提取的特征作为Attention机制的输入，通过注意力机制对CNN层提取到的时间信息进行加权，从而更有效地利用灌溉数据的时间序列属性，并挖掘深层次的时间相关性；注意力机制的使用可以减少历史信息的丢失，并突出关键历史时间点的信息，从而降低冗杂信息对灌溉量预测结果的影响；接下来，将Attention层的输出作为全连接层的输入，通过全连接层最终输出灌溉量的预测结果，能够有效地提高农作物灌溉量预测的准确性，充分利用时间序列的信息，并减少不必要的干扰因素，使得预测结果更加可靠和准确。
引入了随机失活Dropout技术，以防止过拟合现象的发生，通过使用随机失活技术，可以提高模型的泛化性能，并减少训练时间；在网络参数优化方面，本方法采用了Adam(自适应矩估计)优化算法来更新各层的网络参数；同时，损失函数采用均方误差(MeanSquared Error，MSE)；最后，经过训练的BiLSTM-CNN-Attention模型将被保存，并使用测试集对其有效性进行验证。通过分析灌溉预测结果，可以确定模型的不足之处，并不断进行预测模型的优化，这样的流程旨在确保模型的鲁棒性和准确性，并进一步改进预测模型的性能。
CNN的局部感知和权值共享可大大减少参数数量，提高模型效率；它主要由卷积层、池化层和全连接层组成，其中每个卷积层包含多个卷积核，用公式(10)计算特征；卷积层提取数据特征，但特征维数很高，为降低训练成本，可在卷积层之后增加池化层来降低特征维数。
lt＝tanh(xt*kt+bt) (10)
式中：lt是卷积后的输出值，tanh是激活函数，xt是输入向量，kt是卷积核的权值，bt是卷积核的偏置。
RNN为many-to-one或者many-to-many输入和输出的长度不固定，RNN适合小规模问题可以,大规模问题需要用Transformer，RNN对于本发明的适用性不高。
通常LSTM只考虑前向数据依赖关系，但为了获得更完整的信息，BiLSTM使用前后两个相反方向的LSTM网络处理输入数据，并通过处理两个方向上的数据依赖关系来决定当前输入，如附图2所示。实验证明，考虑后向数据依赖关系后，模型性能更好，并且由于复用权重，该模型在提高表达能力的同时，没有增加对数据量的要求，降低了欠拟合风险。
LSTM计算结果如下：
第一步是LSTM决定什么信息可以通过“cellstate”(细胞状态)，这个决定由“forgetgate”层(遗忘层)通过sigmoid单元来控制，sigmoid函数输出一个(0,1)之间的值，过滤上一时刻传递下来的信息以及当前时刻输入的信息，计算公式如(11)所示：
第二步是利用“inputgate”层(输入层)，通过sigmoid单元产生需要更新的数据，计算公式如(12、13、14、15)所示：
it＝σ(Wxixt+Whiht-1+bi) (12)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc) (13)
ot＝σ(Wxoxt+Whoht-1+bc) (14)
ht＝ottanh(ct) (15)
式中：xt——输入；it——输入门；ft——遗忘门；ct——t时刻的细胞单元状态；ot——t时刻输出的细胞状态；ht——t时刻的输出；σ——sigmoid函数；tanh——双曲正切函数；bi、bf、bc、bo——偏执向量；Wxi,Whi,Wxf,Whf,Wxc,Whc,Wxo,Who——权重系数。
神经网络输入的计算灌溉量数据包含许多不同大小的向量，这些向量之间存在一定的关系，但实际训练时难以充分利用这些关系，导致模型效果不佳；引入Attention机制可以从中选择关键信息，突出重要输入。注意权值的学习是通过在原有网络结构上加入前馈网络来实现；前馈网络的注意权值αt是编码器的隐藏状态值ht和解码器的隐藏状态值st-1的函数，前馈网络可以与之前的网络结构一起训练。
et＝tanh(ht) (16)
将生成的注意权值赋给相应的隐藏层ht，使模型生成的注意权值发挥作用，其ht加权平均值为ct，权重为αt，如式(18)所示。
BiLSTM-CNN-Attention训练过程如图3所示，主要步骤如下:
(1)输入数据:输入BiLSTM-CNN-Attention训练所需的数据；
(2)输入数据标准化:由于输入数据差距较大，为了更好地训练模型，采用z-score标准化方法对输入数据进行标准化；
(3)网络初始化:初始化BiLSTM-CNN-Attention各层权重和偏差；
(4)BiLSTM层计算:提取灌溉数据中的时间序列信息,通过BiLSTM层的隐藏层计算CNN层的输入数据，得到输出值；
(5)CNN层计算:输入数据依次经过3层CNN层内的卷积层，对输入数据进行特征提取，得到输出值；
(6)残差计算：将通过BiLSTM层后的第一层卷积层和经过BatchNormalization归一化的第3层卷积层的输出值进行残差累加；
(7)Attention层计算:通过Attention层计算CNN层的输出数据，得到输出值；
(8)输出层计算:计算Attention层的输出值，得到模型的输出值；
(9)计算误差:将输出层计算出的输出值与本组数据的真实值进行比较，计算出相应的误差；
(10)判断预测过程的结束条件是否满足:成功结束的条件是完成预先确定的循环次数，权重低于某一阈值，预测的错误率低于某一阈值。如果至少满足其中一个结束的条件，则完成培训；否则，培训将继续。
(11)误差反向传播:将计算出的误差向相反方向传播，更新每一层的权重和偏差，然后回到步骤(4)继续进行网络训练。
BiLSTM-CNN-Attention进行预测的前提条件是BiLSTM-CNN-Attention已经完成训练。BiLSTM-CNN-Attention预测过程如图4所示，步骤如下：
(1)输入数据:输入预测所需的输入数据；
(2)输入数据标准化:输入数据按照式(11)进行标准化；
(3)预测:将标准化数据输入训练好的BiLSTM-CNN-Attention中，得到相应的输出值；
(4)数据标准化恢复:通过BiLSTM-CNN-Attention得到的输出值为标准化值，标准化公式如公式(19)所示：
式中：xi为标准化恢复值，yi为BiLSTM-CNN-Attention的输出值，s为输入数据的标准差，x为输入数据的平均值。
(5)输出结果:输出恢复后的结果，完成预测过程；
将BiLSTM-CN-Attention与RNN、LSTM、BiLSTM、BiLSTM-CNN、BiLSTM-CNN-attention进行对比实验，
对中国XX省XX市2020年5月1日至2022年9月30日春玉米的灌溉量进行预测了评价BiLSTM-CNN-Attention的预测精度，采用MAE、MSE、RMSE和R2作为模型的评价指标；MAE、MSE、RMSE越小，模型越好，R2越大，模型越好。
MAE计算公式如下:
式中：为预测值，yi为实值。
式中：为预测值，yi为实值。
RMSE计算公式如下:
式中：为预测值，yi为实值。
R2计算公式如下:
式中：为预测值，yi为实际值，/>为平均值。
证明BiLSTM-CNN-Attention灌溉量预测的准确性，实验基于Windows10、64位操作系统，GPU是NVIDAGeForceGTX10606G，处理器为ATTENTIONDRyzen2700X，内存是16G；实验采用tensorflow框架,在编程时应用了Python3.6语言，并调用numpy、pandas、opencv等所需库，该模型需要每日气象数据值和年平均大气二氧化碳浓度，气象数据来自WheatA小麦芽—农业气象大数据系统V1.5.4a。
2000年5月1至2022年9月30日，中国XX省XX市灌区附近气象站信息及当地春玉米生育期内降水量与需水量的变化特征，取2000年5月1日至2020年9月30日的灌溉数据作为训练集，2021年5月1日-2022年9月30的灌溉数据作为预测数据集，部分实验数据如表2所示。
表2
根据目前已有2000年5月-2020年9月XX省XX市每天监测到的气象数据，计算每个特征值之间对应元素的关联度，关联度计算结果表见表3，灰色关联度算法是在Pycharm环境下运行的，如附图5所示：
表3
AT-平均气温；Rainfall(mm)-降雨量；WindV(m/s)-平均风速；HoursS(peak,h)-日照时长；MaxT(℃)-最高气温；MinT(℃)-最低气温；RelativeH(％)-相对湿度,上述表中，可以看出最高气温与作物需水量的关联度最好，关联系数为0.88；平均气温和降雨量与作物需水量的关联度次之，关联系数都为0.87；风速、日照时数与作物需水量也具有较强的关联度，关联度系数在0.7～0.85之间。从上图也可以看出，影响因子与目标序列关联度值越大，相应的模块颜色越深，说明两者之间的关系也就越紧密。
本实验BiLST-CNN-Attention模型参数设置如表4所示。
表4
/>
在本实验中，所有方法训练参数相同，epoch为500，损失函数为MSE，优化器选择Adam，时间步长为20，学习率为0.001。
处理后的训练集数据分别用于训练CNN、RNN、LSTM、BiLSTM、CNN-LSTM、BiLSTM-CNN和BiLSTM-CNN-Attention。
用训练得到的模型对测试集数据进行预测，并将真实值与预测值进行比较，如附图6所示，在6种预测方法中，真实值与预测值的折线拟合程度由高到低依次为:BiLSTM-CNN-Attention、BiLSTM-CNN、BiLSTM、LSTM、CNN、RNN。BiLSTM-CNN-Attention的真实值与预测值的折线匹配度最高，几乎完全重合，RNN的折线拟合度最低。
根据每种方法的预测值与实际值，可以计算出每种方法的评价误差指标，6种方法的对比结果如表5所示。
表5
由表5可知，RNN的MSE、RMSE和MAE最大，R2最小，BiLSTM-CNN-Attention的MSE、RMSE和MAE最小，R2最大，最接近1，6种方法的预测性能由高到低依次为:BiLSTM-CNN-Attention、BiLSTM-CNN、BiLSTM、LSTM、CNN、RNN。LSTM与RNN相比，其MSE、RMSE和MAE较小，R2较大。其MAE(0.020867比0.026724)低21.59％，MSE(0.000464比0.000767)低39.5％。其RMSE(0.021549比0.027701)少22.2％。它的R2比它大4.01％；因此，LSTM优于RNN。BiLSTM与LSTM相比，MAE从0.020867降低到0.018530,MSE从0.000464降低到0.000376，RMSE从0.021549降低到0.019387,R2从0.9032提高到0.9147，表明BiLSTM的预测精度较LSTM有一定的提高。
BiLSTM与经过CNN层后的BiLSTM相比，MAE和RMSE有一定的减小，R2有一定的增大。MAE从0.018530下降到0.013423,MSE从0.000376下降到0.000203，RMSE从0.019387下降到0.014247；R2增加到0.9518。结果表明，在6种方法中，BiLSTM-CNN-Attention的性能最好；其MAE为0.004599,RMSE为0.005968,R2为0.9749。因此，在这六种方法中，本BiLSTM-CNN-Attention方法对未来农作物灌溉量预测的精度较高，为农业工作者做出正确的灌溉决策提供参考。
以上所述仅是本发明的优选方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应该视为本发明的保护范围。
Claims (7)
1.基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，根据作物需求，采用Aqua Crop模型确定灌溉策略，并于BiLSTM-CNN-Attention算法进行作物灌溉需水量预测，其特征是，它包括以下步骤：
1)获取作物种植区域的气象站数据、作物种植区域的土壤数据、作物参数数据和田间管理数据；
2)在所述作物种植区域内，通过试错法进行Aqua Crop模型本地化调试；
3)利用步骤2)中本地化调试后的Aqua Crop模型，选择灌溉策略，并进行灌溉制度模拟；
4)输出步骤3)中所述的Aqua Crop模型进行灌溉制度模拟结果；
5)结合步骤4)中所述的Aqua Crop模型灌溉制度模拟结果，运用优化LSTM，预测下一年所述作物种植区域内生育期的作物日灌溉需水量。
2.根据权利要求1所述的基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，其特征是，在步骤1)中，所述的气象站数据包含：日尺度降水数据、温度数据、相对湿度、风速和日照时数，并利用所述的气象站数据，根据Penman-Monteith公式计算参考作物蒸发蒸腾量ET0。
3.根据权利要求1所述的基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，其特征是，在步骤1)中，所述的作物参数数据包括：生育期参数数据和作物单产数据。
4.根据权利要求1所述的基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，其特征是，在步骤3)中，所述的Aqua Crop模型选择灌溉策略为：
IrrMethod＝0：雨养灌溉；
IrrMethod＝1：当土壤含水量SWC达到一个阈值时，作物灌溉80mm水；
IrrMethod＝2：当土壤含水量SWC达到一个阈值时，作物灌溉60mm水；
IrrMethod＝3：当土壤含水量SWC达到一个阈值时，作物灌溉45mm水；
IrrMethod＝4:按照需水量灌溉作物，即按照计算出的灌溉时间和灌溉量进行灌溉；
根据产量、多年平均灌水量选取最优灌溉策略制定方式，进行作物的多年连续生长模拟，获得其每日灌溉水量数据。
5.根据权利要求4所述的基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，其特征是，当土壤含水量SWC达到一个阈值时，所述的阈值是根系有效含水量的20％。
6.根据权利要求1所述的基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，其特征是，在步骤5)中，预测下一年所述作物种植区域内生育期的作物日灌溉需水量包括以下步骤：
①将气象因子与Aqua Crop模型输出的每日灌溉水量数据，按照时间序列进行合并，作为优化LSTM算法的输入变量；
②将所述优化LSTM算法的输入变量的特征值进行标准差标准化；
③将优化LSTM算法的输入变量划分为训练集和测试集，通过灰色关联度分析确定作物灌溉需水量，预测所需的气象因子与Irrday最佳组合；
④将步骤③中所述的气象因子与Irrday最佳组合作为输入，对优化LSTM算法进行训练，从而进行作物日灌溉需水量预测。
7.根据权利要求5所述的基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法，其特征是，所述的气象因子为：最高温度Tmax、最低温度Tmin、降水P、参考蒸发蒸腾量ET0和日照时数SD。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006291.0A CN117252292A (zh) | 2023-08-10 | 2023-08-10 | 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006291.0A CN117252292A (zh) | 2023-08-10 | 2023-08-10 | 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117252292A true CN117252292A (zh) | 2023-12-19 |
Family
ID=89130240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311006291.0A Pending CN117252292A (zh) | 2023-08-10 | 2023-08-10 | 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252292A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114374A (zh) * | 2023-10-25 | 2023-11-24 | 四川省商投信息技术有限责任公司 | 一种基于天气预测的智慧农业灌溉管理系统 |
-
2023
- 2023-08-10 CN CN202311006291.0A patent/CN117252292A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114374A (zh) * | 2023-10-25 | 2023-11-24 | 四川省商投信息技术有限责任公司 | 一种基于天气预测的智慧农业灌溉管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | Neural network soil moisture model for irrigation scheduling | |
| CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
| CN110163254B (zh) | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 | |
| CN112116162B (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
| CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| CN109886496B (zh) | 一种基于气象信息的农产量预测方法 | |
| CN117252292A (zh) | 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 | |
| CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| Priya et al. | An IoT based gradient descent approach for precision crop suggestion using MLP | |
| CN110147825A (zh) | 一种基于经验模态分解模型的草莓温室温度智能检测装置 | |
| CN117688404B (zh) | 智能施肥配方决策方法、装置、设备、介质及程序产品 | |
| Çetiner et al. | Recurrent neural network based model development for wheat yield forecasting | |
| CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
| KR102184813B1 (ko) | 유사기상을 이용한 벼 작황 예측 방법 | |
| CN114865620B (zh) | 基于机器学习算法的风力发电场发电量预测方法 | |
| Mimboro et al. | Weather monitoring system AIoT based for oil palm plantation using recurrent neural network algorithm | |
| Shi et al. | Multivariate multi-step agrometeorological forecast model for rapid spray | |
| CN113627687A (zh) | 一种基于arima-lstm组合模型的供水量预测方法 | |
| CN112446550A (zh) | 一种短期建筑负荷概率密度预测方法 | |
| Syarovy et al. | Utilization of Big Data in Oil Palm Plantation to Predict Production Using Artificial Neural Network Model | |
| CN112418498B (zh) | 用于智能温室的温度预测方法及系统 | |
| CN113344243B (zh) | 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 | |
| CN117575174B (zh) | 智能农业监测与管理系统 | |
| CN117469774B (zh) | 空调系统调控方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |